Konstruksi Lapisan Operator-N Berbasis Norma untuk Meningkatkan Kinerja Metode Capsule Network pada Masalah Klasifikasi Citra

Wijaya, Ridho Nur Rohman (2023) Konstruksi Lapisan Operator-N Berbasis Norma untuk Meningkatkan Kinerja Metode Capsule Network pada Masalah Klasifikasi Citra. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6002221013-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Capsule Network (CapsNet) adalah sebuah metode klasifikasi citra yang telah berhasil menunjukkan kinerja dengan sangat baik dalam bidang deep learning. Konsep utama dari CapsNet adalah dengan mengubah fitur-fitur citra menjadi capsule dan membentuk entitas yang lebih baik dalam merepresentasikan informasi dari fitur-fitur tersebut. Akan tetapi, pembentukan capsule tersebut menyebabkan peningkatan jumlah parameter pelatihan dan membuat waktu komputasi menjadi lebih lama. Selain itu, metode CapsNet kurang efektif untuk mengolah citra dengan latar belakang yang kompleks karena memiliki keterbatasan dalam ekstraksi fitur. Tesis ini memperkenalkan lapisan operator-N untuk meningkatkan kinerja dari metode CapsNet. Operator-N adalah operator yang dibangun menggunakan norma Euclid dengan tujuan untuk mereduksi ukuran panjang, lebar, dan kedalaman tensor. Lapisan ini mempercepat proses pengambilan informasi invarian (bernilai tetap) terhadap translasi dari suatu capsule. Berdasarkan hasil uji coba, modifikasi metode CapsNet dengan penambahan lapisan operator- N meningkatkan akurasi hingga 0,69%-1,93% dengan kecepatan komputasi 4 kali lebih cepat dibandingkan metode aslinya, serta total parameter yang digunakan pada proses pelatihan berkurang hingga 17,39%. Oleh karena itu, dapat disimpulkan bahwa penambahan lapisan operator-N meningkatkan kinerja dari metode CaspNet dengan uji coba dataset MNIST, Fashion MNIST, dan Kuzushiji MNIST.
=================================================================================================================================
Capsule Network (CapsNet) is a novel image classification method in deep learning and has performed well in image classification problems. The main concept is to manifest image features into a capsule and form an entity that better represents information from the image. However, the formation of the capsule provides an additional task, i.e., the large training parameters, which result in longer computation time. In addition, the CapsNet method is unsuitable for images with complex backgrounds due to its weak feature extraction capability. Therefore, this Thesis proposes an operator-N layer to improve the performance of the CapsNet method. The operator-N is an operator built using Euclidean norms, which functions to reduce the size of the length, width, and depth of tensor. This layer accelerates the translation equivariance process from a capsule. Based on the test results, the modification of the CapsNet method by adding an operator-N layer increases accuracy up to 0.69%-1.93% with four times faster computation time than the original method, and the total parameters used in the training process are reduced by up to 17.39%. Therefore, adding the operator-N layer improves the performance of CaspNet method on MNIST, Fashion MNIST, and Kuzushiji MNIST datasets.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Capsule Network, Ekstraksi Fitur, Norma, Operator, Reduksi Ukuran Tensor, Feature Extraction, Norm, Tensor Size Reduction.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics Q Science > QA Mathematics > QA322.2 Normed linear spaces. Banach spaces Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Ridho Nur Rohman Wijaya
Date Deposited:	04 Sep 2023 07:10
Last Modified:	04 Sep 2023 07:10
URI:	http://repository.its.ac.id/id/eprint/100792

Actions (login required)

View Item